Inelastic Constitutive Kolmogorov-Arnold Networks: A generalized framework for automated discovery of interpretable inelastic material models

Dit artikel introduceert inelastische Constitutieve Kolmogorov-Arnold Netwerken (iCKANs), een nieuw machine learning-kader dat automatisch interpreteerbare symbolische constitutieve wetten voor zowel elastisch als inelastisch materiaalgedrag ontdekt uit testdata, met succes gedemonstreerd op visco-elastische polymeren.

De kern

De "Vertaler" voor Materialen: Hoe een slimme AI de geheime taal van rubber en plastic ontcijfert

Stel je voor dat je een heel nieuw soort rubber hebt ontdekt. Als je er aan trekt, rekt het uit. Laat je los, dan komt het deels terug, maar niet helemaal. Als je het snel trekt, voelt het hard; langzaam, dan voelt het zacht. En als je het verwarmt, verandert het weer.

Vroeger moesten ingenieurs en wetenschappers urenlang in hun hoofd rekenen en gissen om een formule te vinden die dit gedrag beschrijft. Ze probeerden wiskundige vergelijkingen op te stellen, maar vaak klopte het niet helemaal. Het was als proberen een recept te schrijven voor een gerecht dat je nog nooit hebt geproefd, alleen op basis van de geur.

In dit artikel introduceren de auteurs een nieuwe, slimme manier om dit op te lossen. Ze noemen het iCKANs. Laten we uitleggen wat dat is, zonder ingewikkelde wiskunde.

1. De Probleemstelling: Het "Zwarte Doosje"

Normaal gesproken gebruiken computers voor simulaties (bijvoorbeeld om te zien of een auto-rem goed werkt) vooraf gemaakte formules. Maar voor complexe materialen zoals visco-elastisch rubber (zoals dat in medische apparatuur of zachte robots wordt gebruikt) zijn die formules vaak te simpel.

Sommige moderne methoden gebruiken "Neurale Netwerken" (AI). Die zijn heel goed in voorspellen, maar ze werken als een zwarte doos. Ze geven je het juiste antwoord, maar je weet niet waarom. Het is alsof een computer zegt: "Doe dit, dan werkt het," maar je kunt de reden niet uitleggen aan je baas of een collega. Dat is gevaarlijk in de engineering; je wilt weten waarom iets breekt.

2. De Oplossing: iCKANs (De "Vertaler")

De auteurs hebben een nieuw type AI-bedacht, gebaseerd op iets dat Kolmogorov-Arnold Netwerken (KANs) heet.

• De Analogie van de Lego:
  Stel je een standaard AI voor als een enorme, ondoorzichtige bak met Lego-stenen. Je kunt er een kasteel mee bouwen dat perfect staat, maar als je de bak openmaakt, zie je alleen een wirwar van gekleefde stenen. Je kunt het niet uit elkaar halen.

  Een iCKAN is anders. Het bouwt zijn kasteel met Lego-stenen die losjes aan elkaar geklikt zijn. Je kunt het kasteel bouwen, en daarna elk stukje losmaken en zien: "Ah, dit stukje is een brug, dit stukje is een toren."

  In het geval van materialen betekent dit: de AI leert niet alleen hoe het materiaal zich gedraagt, maar schrijft ook direct de wiskundige formule op die dit gedrag beschrijft. Het vertaalt de ruwe meetdata (trekken en duwen) naar een begrijpelijke, schone wiskundige vergelijking.

3. Hoe werkt het? (De Twee Krachten)

Elk materiaal heeft twee hoofdgedragingen:

1. Elastisch: Het veert terug (zoals een veer).
2. Inelastisch: Het blijft een beetje vervormd of vertraagt (zoals honing of kauwgom).

De iCKAN gebruikt twee "specialisten" (neural networks) die samenwerken:

• De Veer-specialist: Die leert hoe het materiaal terugveert.
• De Honing-specialist: Die leert hoe het materiaal vertraagt en vervormt.

Het slimme is: de AI zorgt ervoor dat deze twee specialisten zich altijd aan de wetten van de natuurkunde houden (zoals energiebehoud). Ze kunnen niet zomaar iets verzinnen; ze moeten binnen de regels spelen.

4. Het Magische Moment: Van AI naar Formule

Na het trainen met data (bijvoorbeeld van rubber dat getest is in een lab), doet de iCKAN iets bijzonders: Symbolische Regressie.

Stel je voor dat de AI een heel lang, ingewikkeld verhaal heeft geschreven over hoe het rubber werkt. De iCKAN pakt dit verhaal en vat het samen in één korte, elegante zin.

• Voorbeeld: In plaats van een computerprogramma dat duizenden regels code heeft, krijg je een formule als: Kracht = 3,5 * Rek + 0,2 * Snelheid.
• Dit is interpreteerbaar. Een mens kan dit lezen, begrijpen en gebruiken in andere berekeningen.

5. Wat hebben ze bewezen?

De auteurs hebben dit getest op twee manieren:

1. Met nep-data: Ze maakten een perfect materiaal in de computer en lieten de AI de formule terugvinden. De AI vond exact de juiste formule terug!
2. Met echt rubber (VHB 4910 en 4905): Ze gebruikten data van echt rubber dat getest is in het lab, zelfs bij verschillende temperaturen.
   • De AI leerde niet alleen hoe het rubber zich gedroeg, maar ontdekte ook hoe temperatuur de formule veranderde.
   • Het resultaat: Een formule die precies voorspelt hoe het rubber zich gedraagt, zelfs als je het warmer maakt dan tijdens het testen.

Waarom is dit geweldig?

• Transparantie: Geen zwarte doosjes meer. We weten precies welke wiskunde er achter zit.
• Veiligheid: Omdat de formules de natuurwetten volgen, zijn de voorspellingen betrouwbaarder, zelfs voor situaties die we nog niet hebben getest (extrapolatie).
• Snelheid: Een simpele formule is veel sneller te rekenen in een computerprogramma dan een zware AI. Je kunt de formule direct gebruiken in simulaties van auto's, vleugels of medische implantaten.

Conclusie

Kortom: iCKANs zijn als een slimme vertaler die de "geheime taal" van materialen (ruwe meetdata) omzet in een heldere, begrijpelijke instructie (een wiskundige formule). Het combineert de kracht van AI met de duidelijkheid van klassieke natuurkunde, zodat ingenieurs in de toekomst sneller en veiliger nieuwe materialen kunnen ontwerpen.

Technische samenvatting

Titel: Inelastische Constitutieve Kolmogorov-Arnold Netwerken (iCKANs)

Auteurs: Chenyi Jia, Kian P. Abdolazizi, Hagen Holthusen, Christian J. Cyron, Kevin Linka.

---

1. Het Probleem

Het nauwkeurig voorspellen van het gedrag van complexe materiaalsystemen, met name bij inelastische vervorming (zoals visco-elasticiteit, plasticiteit en groei) en eindige rekken, is een fundamentele uitdaging in de technische mechanica.

• Beperkingen van traditionele modellen: Conventionele constitutieve modellen zijn vaak gebaseerd op vereenvoudigende aannames die de werkelijkheid niet volledig kunnen vangen. Het ontwikkelen ervan is arbeidsintensief, vereist veel domeinkennis en is vaak materiaal-specifiek.
• Beperkingen van huidige datagedreven methoden: Hoewel machine learning (zoals Constitutive Neural Networks of CANNs) veelbelovend is, bestaat er vaak een afweging tussen voorspellende nauwkeurigheid en fysische interpreteerbaarheid. Veel neurale netwerken fungeren als "black boxes" en leveren geen gesloten wiskundige formules op die direct in simulaties kunnen worden gebruikt of fysisch inzicht bieden.
• Specifiek probleem: Het automatisch ontdekken van constitutieve wetten voor inelastisch materiaalgedrag (waarbij interne variabelen en dissipatie een rol spelen) in een vorm die zowel thermodynamisch consistent als symbolisch interpreteerbaar is, blijft een langdurige uitdaging.

2. Methodologie

De auteurs introduceren iCKANs (Inelastic Constitutive Kolmogorov-Arnold Networks), een nieuw raamwerk dat de generalized standard materials-framework combineert met de architectuur van Kolmogorov-Arnold Netwerken (KANs).

A. Theoretisch Fundament

Het model is gebaseerd op de multiplicatieve decompositie van de vervormingsgradiënt $F = F_e F_i$ (elastisch en inelastisch deel). Het gedrag wordt beschreven door twee scalaire potentiaalfuncties:

1. Elastische potentieel ($\psi$): Gebaseerd op de elastische rechter Cauchy-Green tensor in een geco-rotatieerde tussenconfiguratie ($\bar{C}_e$).
2. Inelastische potentieel ($\omega$): Een dissipatiepotentieel dat de evolutie van de inelastische interne variabelen regelt, afhankelijk van de thermodynamische drijvende krachten (Mandel-stress $\bar{\Sigma}$).

Om thermodynamische consistentie te garanderen, moeten deze potentieels convex zijn met betrekking tot hun argumenten.

B. De iCKN Architectuur

In plaats van traditionele Multi-Layer Perceptrons (MLP's) gebruiken iCKANs KANs, waarbij de gewichten in de verbindingen worden vervangen door trainbare B-spline activatiefuncties.

• Deel-Input-Convexiteit: De auteurs ontwikkelen een "partially input-convex" KAN. De potentieels zijn convex met betrekking tot de mechanische invarianten (om fysische consistentie te waarborgen), maar niet noodzakelijk met betrekking tot extra niet-mechanische kenmerken (zoals temperatuur).
• Post-processing voor Convexiteit: Om te garanderen dat de inelastische potentieel $\omega$ convex is, nul is bij de oorsprong en niet-negatief, wordt een speciale transformatie (de $H$-operator) toegepast op de output van een monotoon convexe KAN.
• Feature-Dependency: Het model kan worden uitgebreid met een kenmerkvector $f$ (bijv. temperatuur), waardoor het materiaalgedrag onder variërende omstandigheden kan worden geleerd zonder de fysische structuur te veranderen.

C. Symbolische Extractie (Symbolification)

Een unieke kracht van iCKANs is de mogelijkheid om de getrainde B-splines te vertalen naar gesloten wiskundige uitdrukkingen:

1. Sparsificatie: L1-regularisatie en pruning worden gebruikt om het netwerk te vereenvoudigen.
2. Symbolische Regressie: De trainbare B-spline activaties worden benaderd door een bibliotheek van symbolische functies (bijv. polynomen, exponentiële functies, hyperbolische cosinus).
3. Resultaat: Dit levert interpreteerbare formules op voor $\psi$ en $\omega$, in plaats van een "black box" netwerk.

D. Numerieke Implementatie

De evolutievergelijkingen worden opgelost via een expliciete tijdsintegratie (gebaseerd op een exponentiële integrator map), wat computatie-efficiënt is en geen iteratieve oplossers vereist. Er wordt ook een impliciete variant met een "helper" Liquid Time-Constant Network (LTC) beschouwd voor stabiliteit.

3. Belangrijkste Resultaten

De methode werd getest op zowel synthetische data als experimentele data van visco-elastische polymeren (VHB 4910 en VHB 4905).

• Synthetische Data: iCKANs slaagden erin de onderliggende analytische formules voor de elastische en inelastische potentieels exact te herontdekken uit de data, zowel met expliciete als impliciete integratie. De symbolische uitdrukkingen kwamen zeer dicht bij de ware formules.
• VHB 4910 (Visco-elasticiteit): Het model leerde het complexe gedrag van het polymeren materiaal onder verschillende rek-snelheden en rek-niveaus. Door twee iCKAN-takken parallel te gebruiken (geïnspireerd op Maxwell-modellen), kon het model meerdere relaxatie-mechanismen vangen. De gevonden symbolische formules waren compact en interpreteerbaar.
• VHB 4905 (Thermo-visco-elasticiteit): Het model werd succesvol toegepast op data met variërende temperaturen (0°C tot 80°C). Het model leerde automatisch hoe temperatuur de elastische potentieel beïnvloedt. De symbolische extractie leverde expliciete functies op voor de temperatuurafhankelijkheid (bijv. polynomen of exponentiële functies van $\theta$), wat inzicht geeft in het fysische gedrag zonder dat dit handmatig was gespecificeerd.
• Voorspellende Kracht: De iCKANs toonden hoge nauwkeurigheid in het voorspellen van spanningen, zelfs voor data buiten het trainingsbereik (extrapolatie), dankzij de ingebouwde convexiteitsbeperkingen.

4. Kernbijdragen

1. Nieuw Raamwerk (iCKAN): De eerste toepassing van Kolmogorov-Arnold Netwerken op inelastische materialen, waarbij zowel elastische als inelastische potentieels worden geleerd.
2. Automatische Ontdekking van Symbolische Wetten: Het vermogen om complexe, datagedreven modellen om te zetten in interpreteerbare, gesloten wiskundige formules die direct in eindige-elementensoftware kunnen worden gebruikt.
3. Fysische Consistentie: Het garanderen van thermodynamische consistentie (dissipatie $\geq 0$) door de architectuur van het netwerk (convexiteit) en niet alleen via de verliesfunctie.
4. Integratie van Extra Kenmerken: Een flexibele manier om niet-mechanische factoren (zoals temperatuur) in het constitutieve model op te nemen en hun invloed symbolisch te onthullen.

5. Betekenis en Toekomstperspectief

Deze studie vormt een belangrijke stap in de richting van interpreteerbare kunstmatige intelligentie in de materiaalkunde.

• Transparantie: Het lost het "black box"-probleem van neurale netwerken op door fysiek zinvolle vergelijkingen te leveren die ingenieurs kunnen begrijpen en valideren.
• Efficiëntie: De verkregen symbolische formules kunnen direct in simulaties worden geïmplementeerd zonder de overhead van het evalueren van een groot neuraal netwerk.
• Toekomst: Het raamwerk is uitbreidbaar naar andere vormen van inelasticiteit (plasticiteit, schade, groei) en anisotrope materialen. Het biedt een krachtige tool voor het ontdekken van hoe specifieke verwerkings- of serviceomstandigheden (zoals temperatuur of vochtigheid) de materiaaleigenschappen beïnvloeden.

Kortom, iCKANs bieden een robuuste, datagedreven oplossing die de kloof overbrugt tussen de flexibiliteit van machine learning en de fysische interpretatievereisten van de geavanceerde mechanica.